Generación de Hipótesis

Generación Científica de Hipótesis

Convierte una observación en un conjunto transparente de explicaciones candidatas y pruebas. Una hipótesis es una propuesta a ser desafiada, no un hallazgo, hecho, diagnóstico o recomendación.

Límites no negociables

Antes de usar material no publicado, sensible, controlado, personal, propietario, sujeto a control de exportaciones o relevante para la seguridad:

1. Confirma la autorización y las políticas institucionales, del financiador, del editor, de uso de datos, de privacidad y de IA aplicables.
2. Mantén el material local a menos que un humano autorizado apruebe explícitamente un destino externo con nombre y alcance de datos.
3. Minimiza las entradas. No coloques datos sensibles o no publicados en búsquedas web o sistemas de IA externos sin autorización.
4. Detente en la compuerta humana, animal, de bioseguridad, de doble uso, de gobernanza de datos o regulatoria apropiada.

Nunca:

• presentes una hipótesis, mecanismo, efecto causal, cita o patrón aparente como evidencia establecida;
• reclames novedad porque una búsqueda rápida no encontró nada;
• infieras causalidad a partir de asociación, solo orden temporal, precisión predictiva o resultados de modelos;
• proporciones diagnóstico, tratamiento, dosis, pronóstico u otro consejo clínico específico para un paciente;
• proporciones optimización experimental dañina o detalles operativos para patógenos, toxinas, armas, evasión u otros usos indebidos;
• eludas la revisión de IRB/REC, IACUC, IBC, bioseguridad, doble uso, privacidad, legal o regulatoria;
• fabriques fuentes, identificadores, cobertura de búsqueda, datos, resultados, aprobaciones o preregistros;
• puntúes, clasifiques, selecciones, aceptes o rechaces automáticamente hipótesis científicas.

Si una solicitud cruza una compuerta de seguridad, produce solo una nota de alto nivel sobre riesgo/supervisión y envíala a la autoridad local calificada. No continúes con detalles operativos.

Mantén los objetos distintos

Objeto	Significado
Observación	Lo que se midió, notó o reportó, con procedencia e incertidumbre
Pregunta de investigación	La pregunta respondible que define el alcance
Hipótesis	Una proposición explicativa o relacional candidata
Mecanismo	El proceso propuesto que conecta condiciones con un resultado
Estimando causal	El contraste causal definido con precisión a estimar
Predicción	Una implicación observable derivada antes de verificar el resultado objetivo
Explicación alternativa	Una cuenta rival, incluido el sesgo o explicaciones no causales
Hipótesis nula	Un modelo de sin efecto/sin diferencia especificado utilizado por un análisis
Control negativo	Un control del que se espera que no opere a través del mecanismo propuesto
Operacionalización	Cómo un constructo se convierte en una variable, medición, intervención o categoría
Plan de análisis	Transformaciones, modelos, contrastes, incertidumbre y reglas de decisión preespecificadas
Evidencia	Observaciones o fuentes que respaldan una afirmación; nunca la afirmación misma

No colapses estas etiquetas. Una historia mecanicista no es una predicción; una predicción no es evidencia; el rechazo de una nula no prueba un mecanismo; el apoyo a un candidato no elimina a los rivales no considerados.

Flujo de trabajo

1. Ejecuta la compuerta de alcance y seguridad

Registra:

• propietario humano responsable y uso previsto;
• sensibilidad de datos, autorización, retención y procesamiento permitido;
• personas, animales, ecosistemas, comunidades o intereses de seguridad afectados;
• revisiones requeridas de ética, viabilidad, bioseguridad, doble uso y regulatorias;
• bloqueos no resueltos y experiencia en el dominio necesaria.

Ninguna aprobación de script es una aprobación ética, de seguridad, regulatoria o científica.

2. Congela la observación

Escribe la observación antes de la interpretación:

• medición o fuente;
• población, sistema, lugar y tiempo;
• unidad de observación y unidad de análisis;
• incertidumbre, valores faltantes, exclusiones y preprocesamiento;
• si el patrón fue esperado, exploratorio o seleccionado después de ver los resultados.

Usa "reportado", "observado" o "asociado", no lenguaje causal, a menos que un diseño causal y un estimando lo justifiquen.

3. Enmarca la pregunta de investigación

Elige un marco solo cuando encaje:

• PICO/PICOT para preguntas de intervención/efectividad: población, intervención, comparador, resultado y opcionalmente tiempo.
• PECO para preguntas de exposición.
• Población–prueba índice–estándar de referencia–condición objetivo para precisión diagnóstica.
• Población–factor pronóstico–resultado–tiempo para pronóstico.
• Un marco de constructo–contexto–resultado específico del dominio para trabajo cualitativo, descriptivo, mecanicista o teórico.

PICO no es una plantilla universal. Define partes interesadas, contexto, límites, viabilidad y qué respuesta cambiaría el conocimiento o la práctica. FINER es un mnemónico para refinar preguntas—Factible, Interesante, Novedoso, Ético, Relevante—no un sistema de puntuación. Trata "Novedoso" como no resuelto hasta que una búsqueda documentada y adecuada al propósito y una revisión experta lo respalden.

4. Establece un límite de evidencia fechado

Busca antes de hacer declaraciones dependientes de la literatura. Prefiere investigación primaria, políticas oficiales, artículos de métodos primarios, guías de reporte actuales y revisiones sistemáticas utilizadas para orientación.

Registra:

• fecha de búsqueda y límite;
• bases de datos/índices, consultas, filtros y límite de cribado;
• tipos de fuentes incluidas y excluidas;
• fuentes que respaldan, desafían o contextualizan cada afirmación;
• limitaciones conocidas de acceso, idioma, base de datos y tiempo.

Una búsqueda puede establecer lo que se buscó, no una ausencia universal. Di "no localizado dentro del límite de búsqueda documentado", nunca "no existe trabajo previo". Usa assets/search_boundary_template.json, assets/evidence_ledger_template.csv y references/literature_search_strategies.md.

5. Genera rivales antes de elegir pruebas

Crea múltiples candidatos de clases explicativas genuinamente diferentes cuando sea plausible:

• mecanismo propuesto;
• artefacto de medición o procesamiento;
• confusión o causa común;
• selección o deserción;
• condicionamiento en un colisionador;
• causalidad inversa;
• diferencias temporales, contextuales o de condiciones límite;
• variación estocástica;
• mecanismos competidores en otra escala.

Genera un conjunto rival inicial independientemente antes de la expansión asistida por IA para reducir el anclaje y la homogeneización. No fuerces un número fijo o una simetría falsa. Mantén cada candidato etiquetado como candidate.

El patrón de inferencia fuerte de Platt motiva hipótesis alternativas y pruebas cruciales, pero las alternativas fallidas no hacen que el superviviente sea verdadero. Las alternativas desconocidas, los supuestos auxiliares, el error de medición y los mecanismos mixtos siguen siendo posibles.

6. Declara el tipo de afirmación y el estimando

Clasifica cada objetivo como:

• descriptivo;
• asociativo;
• predictivo;
• causal;
• mecanicista.

Para un objetivo causal, define antes del análisis:

• población o sistema objetivo;
• intervención/exposición y comparador;
• resultado y horizonte temporal;
• resumen a nivel de población;
• versiones de tratamiento y manejo de eventos intercurrentes cuando sea relevante;
• supuestos de identificación y análogo de ensayo objetivo/diseño.

Documenta los riesgos de confusión, selección, colisionador, medición y causalidad inversa por separado. Una estimación causal observacional sigue siendo dependiente de supuestos. Usa references/causal_inference_and_claims.md.

7. Deriva predicciones discriminatorias

Para cada candidato:

1. Indica las condiciones y las condiciones límite.
2. Nombra el observable y la medición.
3. Indica el patrón esperado y la incertidumbre.
4. Indica un resultado incompatible con el candidato bajo los supuestos declarados.
5. Contrasta el resultado esperado con al menos un rival.
6. Define los resultados indeterminados y qué se aprendería de ellos.

Prefiere pruebas donde los rivales predicen resultados significativamente diferentes. Añade controles positivos, de procedimiento y negativos cuando sea científicamente apropiado. Un control negativo debe ser incapaz de operar a través del mecanismo objetivo mientras comparte vías de sesgo relevantes; no es un grupo no tratado decorativo.

Usa assets/prediction_rival_matrix_template.csv y assets/falsification_controls_template.json.

8. Operacionaliza y valida la medición

Para cada constructo registra:

• rol de la variable y definición operacional;
• población/sistema, unidad, momento y condiciones;
• instrumento/método, calibración, control de calidad y enmascaramiento;
• fiabilidad/repetibilidad;
• evidencia de validez y aplicabilidad;
• valores faltantes, límites de detección, transformaciones, puntos de corte y sus fundamentos;
• invarianza de medición o comparabilidad entre grupos cuando sea relevante;
• sesgo de medición y limitaciones previsibles.

No trates un proxy conveniente como el constructo mismo. Valida con:

python3 scripts/check_operationalization.py local-operationalization.json

9. Empareja el diseño y el análisis con la afirmación

Especifica:

• muestreo, unidad experimental, asignación, aleatorización, enmascaramiento y controles;
• reglas de inclusión/exclusión y de parada;
• fundamento de tamaño de muestra, precisión o información basado en supuestos declarados;
• resultados, contrastes, estimandos, modelos, medidas de efecto e incertidumbre;
• manejo de datos faltantes y eventos intercurrentes;
• multiplicidad entre resultados, modelos, subgrupos, miradas e hipótesis;
• supuestos, diagnósticos, robustez y análisis de sensibilidad;
• plan de replicación o validación independiente;
• qué es confirmatorio versus exploratorio.

No uses mínimos universales de tamaño de muestra. No interpretes un valor p umbralizado como la probabilidad de que una hipótesis sea verdadera o como la importancia del efecto. Consulta references/experimental_design_patterns.md.

Para ensayos de intervención, usa la guía actual del protocolo SPIRIT 2025 y la guía de reporte CONSORT 2025 cuando corresponda. Estas mejoran la integridad; no certifican la calidad del diseño, la ética o el cumplimiento normativo.

10. Prevén el HARKing y expón las desviaciones

Antes de acceder a los resultados objetivo, sella con marca de tiempo la pregunta, los candidatos, las predicciones, los resultados, las exclusiones, las transformaciones, el análisis, la multiplicidad, el plan de datos faltantes y la regla de parada cuando sea factible.

Después:

• etiqueta las ideas y análisis dependientes de los datos como exploratorios;
• conserva e informa los análisis planificados;
• enumera las desviaciones con fecha, fundamento, quién decidió e impacto esperado;
• nunca reescribas un patrón observado como una predicción a priori.

El preregistro es un plan transparente, no una prohibición de adaptación. Los Registered Reports añaden revisión por pares ciega a los resultados y aceptación en principio bajo la política de la revista. Consulta references/preregistration_and_open_science.md.

11. Planifica la replicación y la actualización

Distingue:

• reproducibilidad: resultados computacionales consistentes a partir de los mismos datos/código/condiciones;
• replicabilidad: consistencia entre estudios que recopilan nuevos datos para la misma pregunta.

Conserva la procedencia, versiones, código, materiales y registros de decisiones cuando se autorice compartir. Planifica la replicación independiente o pruebas de transporte a través de límites relevantes. Actualiza el estado del candidato cuando llegue evidencia contraria, nula o de replicación; no ocultes resultados negativos.

12. Aplica la responsabilidad humana

El humano responsable debe verificar:

• cada cita y vínculo fuente-afirmación;
• plausibilidad del dominio y validez de la medición;
• supuestos causales y diseño estadístico;
• estado ético, de viabilidad, seguridad, privacidad y regulatorio;
• todo texto, idea y cita asistidos por IA;
• si se requiere una experiencia más amplia o aporte de la comunidad.

La IA puede confabular citas, anclar el razonamiento y homogeneizar los conjuntos de candidatos. Registra el uso permitido de IA y la influencia material. Mantén la ideación humana independiente y la generación de rivales en el proceso.

Índice de herramientas locales

Todos los CLI son limitados, libres de dependencias, locales, deterministas y sin puntuación:

Tarea	Activo	Comando
Esquema de registro de hipótesis	assets/hypothesis_record_template.json	python3 scripts/validate_hypothesis_schema.py record.json
Lista de verificación de medición	assets/operationalization_template.json	python3 scripts/check_operationalization.py checklist.json
Matriz de predicción/rival	assets/prediction_rival_matrix_template.csv	python3 scripts/validate_prediction_matrix.py matrix.csv
Linter de lenguaje de afirmaciones	Markdown anotado	python3 scripts/lint_causal_claims.py draft.md
Falsificación/controles	assets/falsification_controls_template.json	python3 scripts/check_falsification_controls.py controls.json
Auditoría de evidencia/fuente	assets/evidence_ledger_template.csv + assets/search_boundary_template.json	python3 scripts/audit_evidence_ledger.py ledger.csv boundary.json
Andamio de preregistro	assets/preregistration_scaffold_template.md	python3 scripts/generate_preregistration_scaffold.py record.json -o preregistration.md

Los códigos de salida son 0 para salida estructuralmente válida, 1 para validación completada con errores y 2 para entrada mal formada/no segura. Los informes validan únicamente las declaraciones y la consistencia interna; no verifican la verdad científica ni eligen una hipótesis. Los esquemas completos están en references/tool_reference.md.

Referencias

• references/concepts_and_workflow.md — modelo de objetos, inferencia fuerte, incertidumbre y ciclo de vida del candidato
• references/hypothesis_quality_criteria.md — criterios de revisión humana sin puntuación
• references/literature_search_strategies.md — búsqueda de evidencia trazable y limitada
• references/causal_inference_and_claims.md — estimandos y riesgos de sesgo causal
• references/experimental_design_patterns.md — diseño, controles, medición, multiplicidad y replicación
• references/preregistration_and_open_science.md — preregistro, Registered Reports, desviaciones y ciencia abierta
• references/ethics_safety_and_ai.md — compuertas de supervisión, doble uso, manejo de datos e IA responsable
• references/tool_reference.md — esquemas CLI, límites y ejemplos
• references/source_ledger.md — notas de fuentes autorizadas fechadas
• references/security_validation.md — hallazgos de línea de base y registro de validación

El libro de contabilidad de fuentes incluido es assets/source_ledger.csv, verificado hasta el 2026-07-23. Vuelve a verificar las políticas y guías sensibles al tiempo antes de una fecha posterior o jurisdicción.